申请/专利权人：南开大学

申请日：2020-01-16

公开（公告）日：2023-05-26

公开（公告）号：CN111260662B

主分类号：G06T7/11

分类号：G06T7/11;G06N3/0464;G06N3/048;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2023.05.26#授权;2020.07.03#实质审查的生效;2020.06.09#公开

摘要：超小参数量的分割模型的实现方法，属于计算机视觉技术领域。本发明利用可同时处理多种尺寸特征图的卷积构建超轻量级的神经网络主干结构，能够在提取多尺度特征信息的同时减少计算量；提出一种特征融合模块将来源于主干网络结构中不同阶段的特征进行融合，以较小的计算成本充分提取不同尺度的特征信息，从而输出具有高分辨率的高质量图像分割结果。为进一步压缩网络参数量，本发明提出一种动态权重衰减辅助的神经网络训练策略，在训练过程中依照当前输入图像产生的特征对不同参数进行不同程度的稀疏化约束；通过剔除训练完成模型中数值为零的参数，可以在保持性能不变的情况下压缩轻量级模型的参数量，从而获取一个具有极低参数量的分割模型。

主权项：1.超小参数量的分割模型的实现方法，其特征在于：包括针对图像分割的轻量级网络，该轻量级网络分为主干网络和多尺度特征融合模块两部分，以及包括基于动态权重衰减辅助的神经网络训练和模型压缩，其中：a.基于可同时处理多种尺寸特征的卷积构建主干网络架构；b.提出特征融合模块将来源于主干网络结构中不同阶段的特征进行融合；c.提出动态权重衰减辅助的神经网络训练策略增加网络参数的稀疏程度；d.对利用动态权重衰减方法训练完成的模型进行冗余参数剪枝，得到具有较优不同尺寸通道比例的超小参数量的分割模型；较优不同尺寸通道比例的模型中，可同时处理不同尺寸特征的卷积的不同尺寸特征通道的比例，在去除冗余通道后达到较优状态。

全文数据：

权利要求：

百度查询： 南开大学 超小参数量的分割模型的实现方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD